时间:2021-05-22
NumPy 支持的几类矩阵乘法也很重要。
你已看过了一些元素级乘法。你可以使用 multiply 函数或 * 运算符来实现。回顾一下,它看起来是这样的:
m = np.array([[1,2,3],[4,5,6]])m# 显示以下结果:# array([[1, 2, 3],# [4, 5, 6]])n = m * 0.25n# 显示以下结果:# array([[ 0.25, 0.5 , 0.75],# [ 1. , 1.25, 1.5 ]])m * n# 显示以下结果:# array([[ 0.25, 1. , 2.25],# [ 4. , 6.25, 9. ]])np.multiply(m, n) # 相当于 m * n# 显示以下结果:# array([[ 0.25, 1. , 2.25],# [ 4. , 6.25, 9. ]])要获得矩阵乘积,你可以使用 NumPy 的 matmul 函数。
如果你有兼容的形状,那就像这样简单:
a = np.array([[1,2,3,4],[5,6,7,8]])a# 显示以下结果:# array([[1, 2, 3, 4],# [5, 6, 7, 8]])a.shape# 显示以下结果:# (2, 4)b = np.array([[1,2,3],[4,5,6],[7,8,9],[10,11,12]])b# 显示以下结果:# array([[ 1, 2, 3],# [ 4, 5, 6],# [ 7, 8, 9],# [10, 11, 12]])b.shape# 显示以下结果:# (4, 3)c = np.matmul(a, b)c# 显示以下结果:# array([[ 70, 80, 90],# [158, 184, 210]])c.shape# 显示以下结果:# (2, 3)如果你的矩阵具有不兼容的形状,则会出现以下错误:
np.matmul(b, a)# 显示以下错误:# ValueError: shapes (4,3) and (2,4) not aligned: 3 (dim 1) != 2 (dim 0)有时候,在你以为要用 matmul 函数的地方,你可能会看到 NumPy 的 dot 函数。事实证明,如果矩阵是二维的,那么 dot 和 matmul 函数的结果是相同的。
所以这两个结果是等价的:
a = np.array([[1,2],[3,4]])a# 显示以下结果:# array([[1, 2],# [3, 4]])np.dot(a,a)# 显示以下结果:# array([[ 7, 10],# [15, 22]])a.dot(a) # you can call你可以直接对 `ndarray` 调用 `dot` # 显示以下结果:# array([[ 7, 10],# [15, 22]])np.matmul(a,a)# array([[ 7, 10],# [15, 22]])虽然这两个函数对于二维数据返回相同的结果,但在用于其他数据形状时,你应该谨慎选择。你可以在 matmul和 dot 文档中详细了解它们的差异,并找到其他 NumPy 函数的链接。
到此这篇关于NumPy 矩阵乘法的实现示例的文章就介绍到这了,更多相关NumPy 矩阵乘法内容请搜索以前的文章或继续浏览下面的相关文章希望大家以后多多支持!
声明:本页内容来源网络,仅供用户参考;我单位不保证亦不表示资料全面及准确无误,也不保证亦不表示这些资料为最新信息,如因任何原因,本网内容或者用户因倚赖本网内容造成任何损失或损害,我单位将不会负任何法律责任。如涉及版权问题,请提交至online#300.cn邮箱联系删除。
问题你需要执行矩阵和线性代数运算,比如矩阵乘法、寻找行列式、求解线性方程组等等。解决方案NumPy库有一个矩阵对象可以用来解决这个问题。矩阵类似于3.9小节中数
本文实例讲述了Java实现的矩阵乘法。分享给大家供大家参考,具体如下:思路:矩阵乘法的前提是:前一矩阵的行数==后一矩阵的列数(rows==cols)在满足前提
C++中实现矩阵的加法和乘法实例实现效果图:实例代码:#includeusingnamespacestd;classMatrix{introw;//矩阵的行in
1.同线性代数中矩阵乘法的定义:np.dot()np.dot(A,B):对于二维矩阵,计算真正意义上的矩阵乘积,同线性代数中矩阵乘法的定义。对于一维矩阵,计算两
python的numpy库提供矩阵运算的功能,因此我们在需要矩阵运算的时候,需要导入numpy的包。一、numpy的导入和使用fromnumpyimport*;